[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » format-conll

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Next revision 		Previous revision
Next revision Both sides next revision
format-conll [2007/02/14 14:45]
zeman 		format-conll [2009/02/26 15:20]
zeman Srovnání formátů 2006 a 2009.
Line 1: Line 1:
 ====== Formát CoNLL ====== ====== Formát CoNLL ======
  
-Jednoduchý sloupcový formát použitý pro uložení treebanků pro účely soutěže [[http://depparse.uvt.nl/depparse-wiki/SharedTaskWebsite|CoNLL]] v závislostním parsingu. Seznam treebanků, které máme v tomto formátu, najdete na stránce [[internal:Data#CoNLL|Data]].+Jednoduchý sloupcový [[Datové formáty|formát]] použitý pro uložení treebanků pro účely soutěže [[http://depparse.uvt.nl/depparse-wiki/SharedTaskWebsite|CoNLL]] v závislostním parsingu. Seznam treebanků, které máme v tomto formátu, najdete na stránce [[internal:Data#CoNLL|Data]].
  
 Každý řádek odpovídá jednomu slovu původního textu, věty jsou oddělené prázdným řádkem. Na řádku je předem známý počet hodnot (sloupců), oddělených tabulátory. To jsou hodnoty jednotlivých atributů daného slova. Podrobnější popis formátu najdete např. na http://depparse.uvt.nl/depparse-wiki/DataFormat. Každý řádek odpovídá jednomu slovu původního textu, věty jsou oddělené prázdným řádkem. Na řádku je předem známý počet hodnot (sloupců), oddělených tabulátory. To jsou hodnoty jednotlivých atributů daného slova. Podrobnější popis formátu najdete např. na http://depparse.uvt.nl/depparse-wiki/DataFormat.
  
-===== Převod do CSTS =====+===== Formát CoNLL 2009 =====
  
-Pro převod formátu CoNLL do [[Formát CSTS|CSTS]] slouží nástroj ''conll2csts.pl'', který je součástí [[Parsery|Danových nástrojů pro parsing]]:+Pozor! Kromě toho, že pro rozšířenou úlohu (označování sémantických rolí) potřebujeme nové sloupce, došlo oproti letům 2006 a 2007 i ke změně ve starých sloupcích! Nový formát je popsán na http://ufal.mff.cuni.cz/conll2009-st/task-description.html#Dataformat. Následující tabulka porovnává oba formáty. Vlevo jsou sloupce z CoNLL 2006, vpravo z CoNLL 2009.
  
-<code>$PARSINGROOT/tools/conll2csts.pl -l da < danish-train.conll > danish-train.csts</code>+| **Field number** | **Field name 2006** | **Field name 2009** | 
 +| 1 | ID | ID | 
 +| 2 | FORM | FORM | 
 +| 3 | LEMMA | LEMMA | 
 +| 4 | CPOSTAG | PLEMMA | 
 +| 5 | POSTAG | POS | 
 +| 6 | FEATS | PPOS | 
 +| 7 | HEAD | FEAT | 
 +| 8 | DEPREL | PFEAT | 
 +| 9 | PHEAD | HEAD | 
 +| 10 | PDEPREL | PHEAD | 
 +| 11 | | DEPREL | 
 +| 12 | | PDEPREL | 
 +| 13 | | FILLPRED | 
 +| 14 | | PRED | 
 +| 15 | | APREDs | 
 + 
 +Následující tabulka vysvětluje, co jednotlivá pole znamenají. 
 + 
 +| **Field name** | **Description** | 
 +| ID | Token counter, starting at 1 for each new sentence. | 
 +| FORM | Word form or punctuation symbol. | 
 +| LEMMA | Lemma or stem (depending on particular data set) of word form, or an underscore if not available. | 
 +| CPOSTAG | Coarse-grained part-of-speech tag, where tagset depends on the language. | 
 +| POSTAG, POS | Fine-grained part-of-speech tag, where the tagset depends on the language, or identical to the coarse-grained part-of-speech tag if not available. | 
 +| FEATS, FEAT | Unordered set of syntactic and/or morphological features (depending on the particular language), separated by a vertical bar (<nowiki>|</nowiki>), or an underscore if not available. | 
 +| HEAD | Head of the current token, which is either a value of ID or zero ('0'). Note that depending on the original treebank annotation, there may be multiple tokens with an ID of zero. | 
 +| DEPREL | Dependency relation to the HEAD. The set of dependency relations depends on the particular language. Note that depending on the original treebank annotation, the dependency relation may be meaningful or simply 'ROOT'. | 
 +| PLEMMA, PPOS, PFEAT | 2009: automatically predicted values of LEMMA, POS, FEAT | 
 +| PHEAD | 2006: Projective head of current token, which is either a value of ID or zero ('0'), or an underscore if not available. Note that depending on the original treebank annotation, there may be multiple tokens an with ID of zero. The dependency structure resulting from the PHEAD column is guaranteed to be projective (but is not available for all languages), whereas the structures resulting from the HEAD column will be non-projective for some sentences of some languages (but is always available). 2009: PHEAD contains automatically predicted value of HEAD! | 
 +| PDEPREL | 2006: Dependency relation to the PHEAD, or an underscore if not available. The set of dependency relations depends on the particular language. Note that depending on the original treebank annotation, the dependency relation may be meaningful or simply 'ROOT'. 2009: PDEPREL contains automatically predicted value of DEPREL! | 
 + 
 +===== Převody z a do jiných formátů ===== 
 + 
 +  * [[Převod mezi CoNLL a CSTS]] 
 +  * [[Převod mezi CoNLL a PML]]
  
-Povinným parametrem je dvoupísmenný kód jazyka podle normy [[http://cs.wikipedia.org/wiki/Seznam_jazyk%C5%AF|ISO 639-1]]. Mějte na paměti, že pravověrné CSTS předpokládá kódování ISO 8859-2, ale tento nástroj (úmyslně!) ponechává i na výstupu kódování UTF-8. 

[ Back to the navigation ] [ Back to the content ]